TimeCapsuleLLM-ja phase1
1868–1945年に限定した日本語コーパスからゼロから学習したdecoder-only GPTです。現代の知識や安全性を備えたチャットモデルではありません。
学習データと評価
対応データセットは trtd56/TimeCapsuleLLM-ja-corpus-v0 です。青空文庫の時代・権利フィルタ通過作品と、1945年以前刊行かつPDMであるNDL OCR品質通過資料を使用しました。test作品はフェーズ間で固定しています。
- 戦前test BPB: 1.4948
- 現代文control BPB: 2.6722
- 自動生成rubric: 100.0%
詳細な設定、checksum、固定プローブ出力は同梱の training_config.yaml、artifact_manifest.json、evaluation.json を参照してください。
推論
python inference.py '文明開化とは' を実行してください。必要パッケージは torch, tokenizers, safetensors です。
限界
小型モデルであり、事実誤認、反復、OCR由来の誤字、歴史的な差別表現を生成し得ます。医療・法律・金融その他の意思決定には使用しないでください。
- Downloads last month
- 180